2019, Spicer, Sanborn, What does the mind learn ？A comparison of human and machine learning representations

这篇文章针对机器学习技术及其在人类心理表征模型中的应用，介绍了机器学习中研究人类心理表征的三个方法：空间方法、逻辑方法和人工神经网络。每一个方法都有一些能准确地模拟人类对类别、概念和语言学习的系统。（每个系统在操作上有很大差异）

接下来是对三种方法的介绍

Spatial method：

定义：能够直接组织项目或者经验，并将这些项目或经验表示在一个多维表征空间中的机制。文中举了一个支持向量机的例子，支持向量机使用核函数来进行分类（即将低维空间映射到高维空间，这个映射可以把低维空间中不可分的两类点变成线性可分的）；我认为spatial method的原理可能和支持向量机的原理相似。

利用spatial method，文章叙述了人类学习的三种表征：

1、Examplar representation

2、Prototype representation

3、通过聚类法得到的一种更灵活的表征方式

Logic method：

Feldman认为人类的分类学习本质上是逻辑运算。Logical system的优点是它的组合性：能够将一些单一的成分组合成比较复杂的rules。缺点是它不能很好的确定不同类别之间的界限，这就导致很难解释人类分类学习表征的graded nature。

近些年这个方法提出了一个“program” model（用贝叶斯归纳法基于一些基础的element构建的程序），这个模型能够从比较小的数据样本中生成比较好的representation，能够比较精确进行分类。

Artificial neural networks：

在认知建模中，简单的网络模型在联想学习理论中得到了广泛的应用。与此同时，用于深度学习的复杂网络在模仿人类行为中也有应用，目前比较成功的深度学习系统有图像识别和语言处理等；虽然目前深度学习系统能够很相似的模型人类的学习，还很好的表征了真正的神经网络，但是深度学习系统的学习速度和概括程度都不及人类，并且这种方法的不透明性使得对学习表征的解释变得困难，更依赖于对行为的预测，而不是针对根据结构来解释。

上图用图中b.c.d部分比较形象的表示了如何用以上所提及的三种方法对（a）中的元素进行分类。

三种方法的对比：

spatial method和logic method注重的是马尔三层次理论的计算层面（即注重解决人类学习系统需要进行什么样的计算），人工神经网络更主动马尔三层次理论的实现层面（即注重实现什么样的物理系统来执行人类学习系统中的“算法”）。

总结：

第一点：当比较机器和人的学习时，我们应该尝试去了解哪一种模型能够最精确的描述人类的学习系统，没有模型能够完美的描述人类的行为，它们只是对人类学习的机制进行了有益的探索。这些方法的价值不在于它们与人类行为的匹配程度，而在于它们是否合适的表征了我们研究的目标和需求。

第二点：机器学习和认知科学对于人类学习系统探索的目标是不一样的；

机器学习在乎的是该方法的功效和在真实世界的实际表现。这些目标使得机器学习更偏向于处理日益复杂的实际任务；

认知科学想要的是了解人类的行为，不管这些行为的优劣，因此认知科学更倾向于简化真实任务，使用抽象的刺激和设计进行更好的实验控制。

第三点：将机器学习和认知科学的研究进行比较的意义：给未来的认知研究提供了方向，目前的方法对定义人类认知机制是非常有价值的，但为了得到一个更完整的行为模型，认知科学家应该尝试解决目前机器学习的目标，即处理复杂的现实世界任务。